基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类

• Published in: 雷达学报 Vol. 13; no. 2; pp. 411 - 427
• Main Authors: 张翼鹏, 卢东东, 仇晓兰, 李飞
• Format: Journal Article
• Language: Chinese
• Published: 苏州空天信息研究院 苏州 215128 2024; 苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128; 中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128; 中国科学院大学 北京 100049; 苏州市微波成像处理与应用技术重点实验室 苏州 215128; 中国科学院空天信息创新研究院 北京 100094
• Subjects: 双分支卷积神经网络; Dual-Branch Convolutional Neural Network(DB-CNN); 合成孔径雷达(SAR); Scattering point topology; 散射点拓扑; Synthetic Aperture Radar(SAR); 小样本学习; Few-shot learning; Ship classification; 舰船分类
• ISSN: 2095-283X
• DOI: 10.12000/JR23172

TN957.52; 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题.在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力.该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取.在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合.该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度.实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%.而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率.所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性.